Hoppa rakt in och lär dig om de viktigaste egenskaperna hos tidsserier. Du lär dig om stationaritet och varför det är viktigt för ARMA-modeller. Du lär dig att testa för stationaritet visuellt och med ett statistiskt standardtest. Slutligen lär du dig grundstrukturen hos ARMA-modeller och använder den för att generera ARMA-data och anpassa en ARMA-modell.

Introduktion till tidsserier och stationaritet

Utforskning

Tränings- och testuppdelning

Är det stationärt

Göra tidsserier stationära

Augmented Dicky-Fuller

Ta differensen

Andra transformationer

Introduktion till AR-, MA- och ARMA-modeller

Modellordning

Generera ARMA-data

Introduktion till modellskattning

ARMA-modeller

I det här kapitlet lär du dig att förutsäga det som väntar i dina data. Du lär dig att använda det välstrukturerade paketet statsmodels för att anpassa ARMA-, ARIMA- och ARMAX-modeller. Sedan använder du dina modeller för att göra prognoser för aktiekursernas osäkra framtid!

Anpassa tidsseriemodeller

Anpassa AR- och MA-modeller

Anpassa en ARMA-modell

Anpassa en ARMAX-modell

Prognoser

Generera ett-stegs-framåt-prediktioner

Plotta ett-stegs-framåt-prediktioner

Generera dynamiska prognoser

Visualisera dynamiska prognoser

Introduktion till ARIMA-modeller

Differentiering och anpassning av ARMA

Återrulla ARMA-prognosen

Anpassa en ARIMA-modell

Välja ARIMA-modell

Prognoser för framtiden

I det här kapitlet lär du dig att välja modeller med gott omdöme. Du lär dig hur du identifierar lovande modellordningar direkt från data, och när de mest lovande modellerna har tränats lär du dig att välja den bästa modellen ur urvalet. Du lär dig också ett bra ramverk för att strukturera dina tidsserieprojekt.

Introduktion till ACF och PACF

AR eller MA

Ordningen för jordbävningar

Introduktion till AIC och BIC

Sökning över modellordning

Välj ordning med AIC och BIC

AIC och BIC jämfört med ACF och PACF

Modelldiagnostik

Medelabsolutfel

Sammanfattande diagnostikstatistik

Diagnostikplottar

Box-Jenkins-metoden

Identifiering

Identifiering II

Skattning

Diagnostik

De bästa modellerna

I det här sista kapitlet lär du dig att använda säsongsbaserade ARIMA-modeller för att anpassa mer komplex data. Du lär dig att dela upp data i säsongsbaserade och icke-säsongsbaserade delar, och sedan får du möjlighet att använda alla dina ARIMA-verktyg i en avslutande global prognosutmaning.

Säsongsbaserade tidsserier

Säsongsdekompositon

Säsongs-ACF och PACF

SARIMA-modeller

Anpassa SARIMA-modeller

Välja SARIMA-ordning

SARIMA vs. ARIMA-prognoser

Automatisering och sparande

Automatiserat modellval

Spara och uppdatera modeller

SARIMA och Box-Jenkins

Multiplikativ kontra additiv säsongsvariation

Modelldiagnostik för SARIMA

SARIMA-prognos

Grattis!

Säsongsbaserade ARIMA-modeller

US Monthly Candy Production

Monthly Record of CO2

Amazon Daily Closing Stock Price

Yearly Earthquakes

Monthly Milk Production

Har du någonsin försökt förutsäga framtiden? Det som väntar är oftast en gåta som bara löses genom att vänta. I den här kursen slutar du vänta och lär dig att använda de kraftfulla ARIMA-modellerna för att göra prognoser. Du lär dig att använda paketet statsmodels för att analysera tidsserier, bygga skräddarsydda modeller och göra prognoser under osäkerhet. Hur kommer aktiemarknaden att röra sig de närmaste 24 timmarna? Hur förändras CO2-nivåerna under nästa decennium? Hur många jordbävningar inträffar nästa år? Du lär dig att lösa alla dessa problem och mer därtill.

Har du någonsin försökt förutsäga framtiden? Det som väntar framöver är ett mysterium som vanligtvis bara löses genom att vänta. I den här kursen kan du sluta vänta och dyka in i världen av tidsseriemodellering med ARIMA-modeller i Python för att förutsäga framtiden.<br><br><h2>Tidsseriedata</h2>
Börja med att lära dig grunderna i tidsseriedata, inklusive begreppet stationaritet – avgörande för att arbeta med ARMA-modeller. Du kommer att lära dig hur du testar för stationaritet både visuellt och statistiskt, genererar ARMA-data och anpassar ARMA-modeller för att få en solid grund.<br><br><h2>Statsmodels-paketet</h2>
Allt eftersom du utvecklas får du utforska det kraftfulla paketet Statsmodels för att anpassa ARMA-, ARIMA- och ARMAX-modeller. Du får praktisk erfarenhet av att använda dina modeller för att förutsäga framtida värden som aktiekurser.<br><br>
Genom att göra dessa koncept lätta att förstå och tillämpa kommer du att upptäcka hur du skapar prognoser ett steg framåt, dynamiska prognoser och anpassar ARIMA-modeller direkt till dina data.<br><br><h2>ACF- och PACF-diagram</h2>
En av höjdpunkterna är att lära sig hur man väljer den bästa modellen med hjälp av ACF- och PACF-diagram för att identifiera lovande modellordningar. Du kommer att lära dig om kriterier som AIC och BIC för modellval och diagnostik, vilket hjälper dig att finslipa dina modeller till perfektion​.<br><br><h2>SARIMA-modeller</h2>
Kursen avslutas med säsongsbaserade ARIMA-modeller (SARIMA), perfekta för att hantera data med säsongsmönster. Du kommer att lära dig att bryta ner tidsseriedata i säsongs- och icke-säsongsbetonade komponenter och tillämpa dina ARIMA-kunskaper i en global prognosutmaning. 
<br><br>Det här slutprojektet knyter ihop allt och ger dig en heltäckande förståelse för ARIMA-modellering.

Introduktion till ACF och PACF

Create Your Free Account